卷积编码器/解码器网络中的多保真数据融合
机器学习
2022-10-26 v1
摘要
我们分析了由编码器、解码器和跳跃连接组装而成并采用多保真数据训练的卷积神经网络的回归精度。除了比等价的全连接网络所需可训练参数显著更少外，编码器、解码器、编码器–解码器或解码器–编码器架构能够学习任意维度输入输出间的映射。我们展示了当使用从一维函数到二维泊松方程求解器等模型生成的少量高保真与大量低保真数据进行训练时的精度。我们最后讨论了一些提升 Monte Carlo DropBlocks 所生成不确定性估计可靠性的实现选择，并比较了低保真、高保真与多保真方法间的不确定性估计。
引用
@article{arxiv.2205.05187,
title = {Multifidelity data fusion in convolutional encoder/decoder networks},
author = {Lauren Partin and Gianluca Geraci and Ahmad Rushdi and Michael S. Eldred and Daniele E. Schiavazzi},
journal= {arXiv preprint arXiv:2205.05187},
year = {2022}
}